Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

Entwicklung und Anwendung statistischer Modelle zur Bewertung potenzieller Behandlungseffekte in COVID-19 Beobachtungsstudien

Fachliche Zuordnung Epidemiologie und Medizinische Biometrie/Statistik
Förderung Förderung von 2021 bis 2024
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 458593554
 
Erstellungsjahr 2025

Zusammenfassung der Projektergebnisse

Wir präsentieren den Fortschritt und die Ergebnisse unserer Studie zur methodischen Bewertung von Beobachtungsstudien zur Wirksamkeit von COVID-19-Behandlungen. Angesichts der Komplexität klinischer Endpunkte, einschließlich unterschiedlicher Dauer künstlicher Beatmung, Verweildauer auf Intensivstation, und Mortalität, erfordern Beobachtungsstudien sorgfältige methodische Überlegungen, um zuverlässige und unverzerrte Ergebnisse zu gewährleisten. Im Gegensatz zu randomisierten kontrollierten Studien, bei denen die Behandlung zufällig zugewiesen wird, sind Beobachtungsstudien anfällig für Verzerrungen wie zeitabhängige Störgrößen, „Immortal-Time-Bias“ und konkurrierende Risiken, die die Schätzungen der Behandlungseffekte verfälschen und zu irreführenden Schlussfolgerungen führen können. Um diese Herausforderungen zu bewältigen, haben wir geeignete statistische Modelle entwickelt und angewendet, um evidenzbasierte Entscheidungsfindung in nicht-randomisierten Studien zu verbessern. Unsere Forschung konzentrierte sich auf die systematische Identifizierung und Korrektur methodischer Verzerrungen durch eine umfassende Literaturübersicht, die Bewertung statistischer Ansätze und die Implementierung neuer Ansätze zur Erhöhung der Validität von Beobachtungsstudien. Wir untersuchten kritisch die Grenzen bestehender Studien, identifizierten häufige Fallstricke in der Analyse von „Real-World-Daten“ und analysierten deren Auswirkungen auf klinische Entscheidungsfindungen. Ein zentraler Aspekt unserer Arbeit war die Anwendung der „Target-Trial-Emulation“, eines Ansatzes, der Beobachtungsdaten nutzt, um eine randomisierte klinische Studie zu simulieren. Diese Methode ermöglicht es Forschern, Datenanalysen so zu strukturieren, als ob eine hypothetische klinische Studie durchgeführt worden wäre, wodurch Verzerrungen reduziert und kausale Schlussfolgerungen verbessert werden. Zusätzlich implementierten wir Multistadien-Modelle, eine Technik zur Abbildung komplexer Krankheitsverläufe über verschiedene Gesundheitszustände hinweg, um ein präziseres Verständnis des Krankheitsfortschritts und der Behandlungseffektivität zu ermöglichen. Unsere Ergebnisse zeigen, dass die Kombination aus Target-Trial-Emulation und Multistadien-Modellierung die Zuverlässigkeit von Beobachtungsstudien erheblich verbessert. Durch die Anwendung dieser Methoden auf reale COVID-19-Daten konnten wir die Genauigkeit der Schätzungen zur Behandlungseffektivität erhöhen und wertvolle Erkenntnisse über die Wirksamkeit verschiedener Therapieansätze gewinnen. Diese Forschung trägt nicht nur zur Epidemiologie und Biostatistik bei, sondern hat auch praktische Implikationen für politische Entscheidungsträger, medizinisches Fachpersonal und Forscher, die auf Beobachtungsdaten angewiesen sind, um Behandlungsrichtlinien und öffentliche Gesundheitsstrategien zu entwickeln. Letztendlich unterstreichen unsere Arbeiten die Bedeutung rigoroser statistischer Modellierung in nicht-randomisierten Studien und betont die Notwendigkeit transparenter methodischer Ansätze. Die in diesem Projekt entwickelten Methoden sind nicht nur für COVID-19- Forschung anwendbar, sondern können auch auf verschiedene Bereiche der klinischen Epidemiologie übertragen werden, in denen Beobachtungsdaten eine entscheidende Rolle bei der Bewertung der Behandlungseffektivität spielen.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2026 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung